Makine öğrenmesi yapay zekanın bir alt dalı olan bir bilim dalıdır. Amaç, matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemler yaratmaktır. Günümüzde, çıkarım işlemi için birçok farklı makine öğrenmesi metodu doğmuştur. Bu yazı dizisinde bu metotları örneklerle açıklamaya çalışacağım. Ayrıca, son bölümde yazdığım makaleler üzerinden konunun gerçek uygulamalarda nasıl kullanıldığını göstermeyi amaçlıyorum.
Bir makine öğrenmesi metodu tahminde bulunmak için bir çıktı üretir. Bu çıktı kategorik ise sınıflandırma (classification) ve eğer nümerik ise regresyon (regression) denir. Açıklayıcı bir modelleme olan kümeleme (Clustering) ise benzer gözlemleri aynı kümelere atama işlemidir. Birliktelik Kuralları (Association Rules) ile gözlemler arasındaki ilginç bağlantılar bulunabilir. Sınıflandırma ve regresyon yöntemleri eğitim verisine ihtiyaç duyduğu için supervised öğrenme olarak anlatılırken diğer iki metot eğitim verisi gerektirmediği için unsupervised öğrenme olarak adlandırılır.
Öncelikle Makine Öğrenmesi modellerindeki temel kavramlar hakkında bilgi verilip model değerlendirme (sınıflandırma için) başarısını değerlendirme kriterleri açıklanacaktır. Sonraki bölümlerde, literatürde Makine Öğrenmesi, Veri Madenciliği, Metin Madenciliği veya Web Madenciliği alanındaki konuların içerikleri birbirine benzemektedir. Bu yazılarda bu güne kadar anlatılan temel metotların dört gruba ayrılıp (sınıflandırma, regresyon, kümeleme, birliktelik kuralları) anlatılmıştır. Son bölüm, makine öğrenmesini kullandığım çalışmalar ve uygulaması hakkında genel bilgileri kapsar.
Konular: